简介
HYPIR（Harnessing Diffusion‑Yielded Score Priors）是一套用于图像修复与超分辨率的研究实现，结合扩散模型生成的得分先验，提升图像还原效果，并提供预训练模型与示例以便复现论文结果。
主要特性
- 基于扩散模型的得分先验方法，提升图像修复与超分辨率质量。
- 提供预训练权重、示例代码与 Gradio demo（可在 Replicate/OpenXLab 上体验）。
- 支持批量推理与多种基线模型（方便做对比实验）。
使用场景
- 学术研究与算法验证：复现论文实验并做进一步改进。
- 图像修复与增强的研究与开发样例，用于比较不同方法的效果。
- 快速试验与演示：通过提供的 demo 与 Colab 模板进行可视化测试。
技术特点
- Python 实现，基于 PyTorch，提供训练与推理脚本（支持 batch inference）。
- 提供与 Stable Diffusion 系列模型适配的 SD2 预训练权重与配置。
- 文档齐全，包含安装、快速启动与模型下载说明；注意项目含“非商业使用限定”声明，请遵循许可条款。